بفضل الإنجازات التي حققها نموذج Transformer في مجال معالجة اللغة الطبيعية، تم تطبيق مكونات التشفير-فك التشفير والآلية الانتباه في مجال الرؤية الحاسوبية. في الآونة الأخيرة، تم دمج بعض المفاهيم الخاصة بـ Transformer في الشبكات العصبية التلافيفية المتطورة في العديد من المهام الحاسوبية (مثل تصنيف الصور، الكشف عن الكائنات، التجزئة الدلالية)، مما يدل على أن لـ Transformer مستقبل واعد في مجال التعرف على الصور. وبعد ظهور نموذج Vision Transformer، بدأ عدد متزايد من الدراسات في استخدام الانتباه الذاتي لاستبدال طبقة التلافيف بشكل كامل. وتُعد هذه الدراسة مبنية على نموذج Vision Transformer، مع دمج هيكل هرمي، واستخدام آلية التقسيم-التحويل-الدمج لتقديم مُشفر مجموعاتي، وتم تسمية البنية المعمارية للشبكة بـ "المحول البصري الهرمي المجمّع" (APVT). قمنا بإجراء مهام تصنيف الصور على مجموعة بيانات CIFAR-10، ومهام الكشف عن الكائنات على مجموعة بيانات COCO 2017. ومقارنةً ببنية شبكات أخرى تعتمد على Transformer كعمود فقري، أظهر APVT أداءً متميزًا مع تقليل التكلفة الحسابية. ونأمل أن تُعد هذه الاستراتيجية المحسّنة مرجعًا مفيدًا لأبحاث المستقبل المتعلقة بـ Transformer في مجال الرؤية الحاسوبية.